USRMamba:用于超声超分辨率的自适应路由引导状态空间模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 超声波 (US) 影像分辨率受到声波衍射和传感器密度的限制,影响临床诊断.
• 超分辨率 (SR) 重建为改善美国图像质量的系统升级提供了具有成本效益的替代方案.
• 现有的SR方法与组织的复杂声学特性作斗争,阻碍了统一模型的开发.

研究的目的:

• 开创一种新的基于Mamba的单一美国图像SR方法,命名为USRMamba.
• 通过先进的SR重建,提高超声波图像的真实性和诊断效用.
• 克服当前超声波成像SR技术的局限性.

主要方法:

• 开发了USRMamba,一种基于Mamba的SR方法,用于单个超声波图像.
• 引入了一种增强的转换组合模块 (ETCM) 用于多级特征提取,解决高频损失和斑点噪声.
• 提出了使用自适应路由的自适应Top-k提示模块 (ATPM),以减轻因衰减引起的模糊区域干扰.
• 集成了一个频道注意模块 (FCAM),用于并行频率空间域的重建.

主要成果:

• 与现有方法相比,USRMamba在各种美国数据集上表现出优异的性能.
• 该方法在 ×2 尺度因子下实现了比最先进的 (SOTA) 方法高出1.31dB的平均PSNR.
• 定性和定量实验验证了USRMamba在优化美国图像SR重建方面的有效性.

结论:

• USRMamba代表了一种革命性的方法,用于单一的美国图像SR重建.
• 拟议的方法有效地提高了超声波成像中的图像质量和细节重建.
• 通过优异的超声波图像分辨率,USRMamba显示了改善临床诊断的巨大潜力.